常规剂量和低剂量CT之间协议,并没有基于深度学习的Denoising,用于对固体小脏质量的积极监测:一个多观察者研究

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 在瘤学瘤学.

背景情况:

• 积极监测对于管理小质 (SRMs) 至关重要.
• 评估SRM需要高质量的对比增强CT扫描.
• 减少辐射剂量是医学成像的一个关键目标.

研究的目的:

• 评估常规剂量 (RD) 和低剂量 (LD) 之间的对比度增强CT扫描之间的一致性,以评估SRM.
• 评估基于深度学习的无声化 (DLD) 对LD CT图像质量和诊断精度的影响.
• 确定在积极监测期间对SRMs进行CT剂量降低的可行性.

主要方法:

• 在主动监视下对SRMs患者CT扫描的回顾性分析.
• 生成LD CT图像,模拟RD图像中的75% (LD75) 和90% (LD90) 的剂量减少.
• 在LD图像中应用DLD (LD75-DLD,LD90-DLD).
• 九名放射科医生对5个数据集的350个CT扫描进行了独立评估,用于瘤大小,收集系统的近距离和形状不规则.
• 使用LOAM和Gwet AC2系数评估观察者间可重复性和一致性.
• 主观和定量图像质量评估.

主要成果:

• LD75CT显示与SRM直径评估的RD扫描一致 (LOAM ±2.4毫米与±2.2毫米).
• 90%的剂量减少损害了可复制性 (LOAM ±3.0 mm),但LD90-DLD保留了它 (LOAM ±2.4 mm).
• 对于瘤接近收集系统和形状不规则的观察者协议在所有图像集中都是可比的 (TN的P ≥ .35,TSI的P ≥ .02).
• 在降低剂量时,DLD有效地恢复了图像质量;与RD相比,LD75-DLD显示出更好的图像质量,更低的噪音和更好的对比度和噪音比率 (P < .001).

结论:

• 75%的辐射剂量减少是可行的SRM评估在使用CT与常规代重建的积极监测.
• 基于深度学习的除 (DLD) 能够进行低于毫isievert的剂量CT扫描来评估SRM.
• 在显著减少的辐射剂量下,DLD有效地保持了诊断性能和图像质量.